La reconstrucción hiperespectral (HSR, Reconstrucción Hiperespectral) es la función inversa basada en la relación funcional entre bandas estrechas hiperespectrales y bandas anchas multiespectrales, utilizando información multiespectral común para simular el hiperespectral. Actualmente, la investigación en HSR se concentra principalmente en las bandas visibles e infrarrojas, y la investigación sobre la emisividad infrarroja térmica en HSR es casi inexistente. Estudios previos utilizaron principalmente bandas multiespectrales satelitales existentes, enfocándose en la optimización de modelos HSR, pero con poca atención a la división y selección de bandas anchas multiespectrales orientadas a HSR. Este estudio utiliza datos hiperespectrales medidos reales de emisividad infrarroja térmica en 7 tipos de cobertura superficial, incluyendo pavimento de asfalto, mármol, baldosas grises, superficie pintada, baldosas verdes, caminos de losa y pavimento de mampostería, con un total de 727 espectros en el rango de 8-14 μm. Rompe la idea tradicional de dividir bandas anchas uniformemente y replicar bandas satelitales, considerando el acoplamiento patológico temperatura-emisividad, e introduce el algoritmo genético cuántico (QGA), combinándolo con el modelo HSR, proponiendo métodos de agrupación por coeficiente de correlación temperatura-emisividad y selección de bandas basados en el modelo QGA-HSR. Al optimizar las bandas anchas infrarrojas térmicas, se comparan y analizan los efectos de diferentes divisiones de bandas anchas en el desempeño de varias modelos HSR como regresión lineal múltiple no regularizada (MLR), regresión lineal escalonada (SLR), regresión regularizada de cresta (RR), regresión LASSO, regresión de red elástica (ENR), regresión de máquina de vectores soporte (SVM) y regresión con redes neuronales (NNR). Se encontró que los modelos LASSO y ENR son poco sensibles al método de división de bandas anchas, mientras que RR es bastante sensible; el modelo RR regularizado lineal tiene el error medio más bajo, y ENR el error máximo más bajo. La división de bandas anchas térmicas infrarrojas afecta los cambios en el error de emisividad HSR según la longitud de onda a través de la longitud de onda central y el ancho de banda, por ejemplo, la optimización de bandas QGA-SLR puede mejorar las diferencias de error de HSR en la dirección de longitud de onda, mejorando así el rendimiento general del modelo HSR. Los resultados no solo mejoran el rendimiento del modelo HSR infrarrojo térmico y la comparabilidad de productos multifuente de teledetección térmica, sino que también proporcionan soporte técnico para el desarrollo de sensores térmicos infrarrojos. La combinación optimizada del método de selección de bandas anchas y el modelo HSR aporta soporte metodológico para la HSR de todo el espectro.

reconstrucción hiperespectral;emisividad infrarroja térmica;bandas anchas;algoritmo genético cuántico;métodos de aprendizaje automático